#recommender-system Repositorios
Descubre 45 repositorios activos de código abierto de GitHub etiquetados con #recommender-system, que acumulan 184,431 estrellas en total (una media de 4,098 estrellas por proyecto). El líder de este tema es qdrant/qdrant, con 35,653 estrellas.
45 repositorios en total
Qdrant – Base de datos vectorial y motor de búsqueda vectorial de alto rendimiento y a gran escala para la próxima generación de IA. También disponible en la nube https://cloud.qdrant.io/
Libro interactivo de aprendizaje profundo con código de múltiples frameworks, matemáticas y discusiones. Adoptado en 500 universidades de 70 países, incluyendo Stanford, MIT, Harvard y Cambridge.
Weaviate es una base de datos de vectores de código abierto que almacena tanto objetos como vectores, permitiendo la combinación de búsqueda vectorial con filtrado estructurado con la tolerancia a fallos y escalabilidad de una base de datos nativa de la nube.
Biblioteca de recuperación integrada OSS amigable para desarrolladores para IA multimodal. Busca más; gestiona menos.
Motor de sistema de recomendación de código abierto impulsado por IA que soporta clasificadores clásicos/LLM y contenido multimodal mediante incrustaciones
Tutorial introductorio a los sistemas de recomendación, dirección de lectura en línea: https://datawhalechina.github.io/fun-rec/
RSTutorials: Una lista curada de artículos imprescindibles sobre Sistemas de Recomendación.
Un grafo de proximidad para búsqueda vectorial, productos dispersos y atención en RAM, VRAM y NVMe, sobre vectores densos, secuencias, formas y conjuntos geoespaciales en 14 idiomas 🔍
Filtrado colaborativo rápido de Python para conjuntos de datos de retroalimentación implícita
Alink es la plataforma de algoritmos de Machine Learning basada en Flink, desarrollada por el equipo PAI de la plataforma de cómputo de Alibaba.
Cursos introductorios de aprendizaje profundo, cursos avanzados, cursos especiales, casos académicos, casos de práctica industrial, enciclopedia de conocimiento de aprendizaje profundo y banco de preguntas de entrevista El curso, caso y conocimiento de Deep Learning y AI
🚀 Una biblioteca de colecciones de algoritmos eficientes para la búsqueda aproximada del vecino más cercano escrita en Rust 🦀 .
Artículos increíbles de Deep Learning para Búsqueda, Recomendación y Publicidad industrial. Se centran en Embedding, Matching, Pre-Ranking, Ranking, Post Ranking, Relevancia, LLM y RL. Por favor, cite nuestro artículo "Deep Learning to Rank in Industrial Search Engines, Recommender Systems, and Online Advertising - An Overview and New Perspectives" (TOIS 2026).
Una lista de fantásticos artículos y recursos sobre sistemas de recomendación en modelos de lenguaje grandes (LLM).
TensorFlow Recommenders es una biblioteca para construir modelos de sistemas de recomendación utilizando TensorFlow.
Transformers4Rec es una biblioteca flexible y eficiente para recomendaciones secuenciales y basadas en sesiones que funciona con PyTorch.
Un Framework de PyTorch para Modelos de Recomendación, Fácil de usar y Fácil de extender.
NVTabular es una biblioteca de ingeniería y preprocesamiento de características para datos tabulares diseñada para manipular rápida y fácilmente conjuntos de datos a escala de terabytes utilizados para entrenar sistemas de recomendación basados en aprendizaje profundo.
Este es un repositorio de fuentes de datos públicas para sistemas de recomendación (RS).
HugeCTR es un marco de GPU de alta eficiencia diseñado para el entrenamiento de estimación de Click-Through-Rate (CTR).
Un sitio web de Django utilizado en el libro Practical Recommender Systems para ilustrar cómo se pueden implementar algoritmos de recomendación.
NVIDIA Merlin es una biblioteca de código abierto que proporciona sistemas de recomendación acelerados por GPU de extremo a extremo, desde la ingeniería y preprocesamiento de características hasta el entrenamiento de modelos de aprendizaje profundo y la ejecución de inferencias en producción.
[Pytorch] Modelo de recuperación generativa utilizando identificadores semánticos de "Recommender Systems with Generative Retrieval"
MLGB es una biblioteca que incluye muchos modelos de Predicción de CTR y Sistemas de Recomendación con TensorFlow y PyTorch. 「妙计包」 es una biblioteca que incluye más de 50 modelos de aprendizaje profundo para la predicción de CTR y sistemas de recomendación, escritos en TensorFlow y PyTorch.
Artículos sobre sistemas de recomendación mejorados por modelos de lenguaje grandes
RSTutorials: Una lista curada de algoritmos sobre sistemas recomendadores tradicionales y sociales.
Una caja de herramientas para recomendaciones multimodales. Integrando más de 10 modelos...
Backend de comercio electrónico modular con una puerta de enlace GraphQL y microservicios gRPC para cuentas, productos, pedidos, pagos y recomendaciones.
Curso de código abierto sobre la arquitectura, construcción y despliegue de un recomendador personalizado en tiempo real para artículos de moda de H&M.
Lista de artículos sobre incrustación hiperbólica, modelos hiperbólicos, aplicaciones hiperbólicas
Utilidades y ayudantes adicionales para extender TensorFlow al construir sistemas de recomendación, aportados y mantenidos por SIG Recommenders.
TOROS Buffalo: Un proyecto de código abierto rápido y escalable listo para producción para sistemas de recomendación
Código oficial para "DaisyRec 2.0: Benchmarking Recommendation for Rigorous Evaluation" (TPAMI2022) y "Are We Evaluating Rigorously? Benchmarking Recommendation for Reproducible Evaluation and Fair Comparison" (RecSys2020)
CRSLab es un kit de herramientas de código abierto para construir Sistemas de Recomendación Conversacional (CRS).
Preguntas frecuentes
¿Cuál es el repositorio de #recommender-system más popular en GitHub?
El proyecto de código abierto de #recommender-system mejor posicionado en GitHub es qdrant/qdrant, con 35,653 estrellas. Qdrant – Base de datos vectorial y motor de búsqueda vectorial de alto rendimiento y a gran escala para la próxima generación de IA. También disponible en la nube https://cloud.qdrant.io/
¿Qué lenguajes de programación se utilizan más en los repositorios de #recommender-system?
Entre los proyectos de #recommender-system mejor posicionados en GitHub, los lenguajes de programación más comunes son Python, Rust, Go, Jupyter Notebook.
¿Cómo se calcula la clasificación de los repositorios de #recommender-system?
Seguimos 45 repositorios activos de código abierto etiquetados con #recommender-system (500+ estrellas), que suman un total de 184,431 estrellas, con una media de 4,098 estrellas por repositorio. Las clasificaciones se actualizan diariamente a partir de la API de GitHub.